(转自林达华)深刻问题自己

不少作research的朋友喜欢top-downapproach，包括我本身。就是说，在开始一个topic的时候，在第一时间就设定了大致的formulation，model又或者methodology。至于选择哪一种设定，每每取决于研究者自己的偏好，知识背景，或者对问题的第一反应。

接下来的事情就瓜熟蒂落了，推导数学模型和相关公式以及算法步骤，而后设计程序进行实验。固然少不了再拉上几个相关工做，比较一番。若是本身的设计很幸运地有明显的improvement，因而很是满意，开始写paper（在很多状况下，paper的理论部分甚至提早写好了）。但是，若是不work呢？一般你们会采起下面一些方法中的一种或者几种：

• 观察实验结果，猜测几个不work的缘由，而后回头局部调整模型和算法；
• 换一下数据集，看看能不能work
• 祭起“终极法宝”——调参数，人工修改或者写脚本遍历，直到找到一组work的参数为止。不过，那些做为“绿叶”用的参照算法，一般是没有这种待遇了。

不管如何，你总算把实验搞定了。可是，为何work呢？除了几条曲线，你总得找一些“让人信服”的理由。在我所在的领域，有一些理由几乎是万能的，于是广泛出如今paper里面：

• 之前的算法，不考虑某某因素，而这个因素是很重要的，个人算法考虑了，因此效果更好
• 之前的算法，把某些因素分开考虑，可是它们其实是相关联了，个人算法把它们结合在一块儿，体现了这种关联关系，因此更好
• 之前的算法是线性的，可是这个问题自己明显是非线性的，我这里用了非线性的方法，因此更符合实际。为了进一步解释清楚，还画出一些二维或者三维的toy samples，显示出线性和非线性有“多么巨大的差异”
• 之前的方法用的是参数化模型（好比高斯分布），而现实世界明显不是这样子，我这里采用非参数化模型，能更准确地逼近实际分布
• 主流方法大都采用某某算法完成某个步骤，或者某某特征来描述某个方面，其实这个算法或者特征在这里不太适合，我换了一个更适合的或者更“先进”的。

还有不少，不一而足。整体来讲，就是增长了某方面的复杂性，推广了模型，或者把某些部分变得更加时髦，数学更深。正由于多了东西能够调节，只要花上足够时间去设定参数，仍是有很大机会能找到一组能获得improvement的参数的。但是，这种improvement是否是真正有意义呢？是否是足够significant，以致于所增长的复杂性是值得的呢？

咱们的世界老是无限复杂的，和无数的因素相关，这些因素又老是有某种联系。咱们的前辈们留给咱们的最好的方法，就是从问题中分离出最关键的要素，和最重要的关系，而非不断地增长价值不大的因素，创建意义不大的联系。

我并非一个彻底拒绝复杂，可是我我的以为对复杂性的增加应该慎重。每增长一个要素，都应该是基于对问题的深刻分析，而不是先入为主的设想和堂而皇之的理由。这不彻底是知识能力的问题，更多的是一种治学态度——是否是愿意安心下来对问题自己进行深刻细致的解剖，找出问题自己的关键所在，而不是脱离问题预先构想某种“漂亮”模型或者“巧妙”方法，而且经过上面所述的种种方法推销出去。

研究是一种创新的过程，广拓思路是必须的。可是真正有价值的novelty应该是创建在对问题自己的深刻理解，确实发现了别人忽略的关键因素，或者主流算法的真正不足，而且创造性地提出解决方法。这须要锲而不舍的努力。真正经得起考验的学术价值，源于解决尚未被解决的问题，而不是使用了某种所谓别人没用过的“新颖”方法来解决原本已经解决的问题，又或者给模型加入某个要素来取得非实质性的性能改进。

上面所说的这些问题，几乎都发生在个人身上。而汤老师的不少建议，其实正是指出了这些问题，却没有被我认真思考，反而老是觉得只要理论作得高深，模型设计得精巧，就是好的工做。来了MIT以后，更多地阅读一些有历史价值的文章（如今看CVPR反而比较少了），接触一些更加solid的工做。许多有重要贡献的工做，每每未必有很炫的方法和模型，可是，其对于问题自己的深刻发掘和洞察却令我惭愧。

要作真正的学问，首先要戒除浮躁。